1.一种基于Q学习算法的对角递归神经网络控制策略，其特征在于，包括如下步骤：S1:建立三层对角递归神经网络，网络结构与前馈网络类似，是由输入层、隐含层和输出层3部分组成，不同之处在于其隐含层的各神经元有自带递归环，其中各层神经元节点数分布为3-6-1，各层间初始权重Wij(0)、Wjk(0)在区间[-0.5,0.5]中随机产生，确定学习率η及权动量项因子ξ0；初始化Q学习的(s, a)所以参数，观察当前状态S(0)，并令k=0；

S2:计算基于Q学习算法优化的DRNN控制误差e(k)，Q学习的动作a(k)由动作概率分布从动作集合中选择，观察下一个状态S(k+1)；

S3:计算对角递归神经网络输出层的输出uk(k)，计算此时Q-DRNN控制输出u(k)，即为无刷直流电机控制系统的控制输入；

S4:获得奖惩信号R(k)，计算此状态下Q学习的Q值，计算贪婪动作；

S5:修正Q-DRNN的关键权重Wij(k)、Wjj(k)和Wjk(k)；

k *

S6:更新动作概率分布，令 k=k+1，返回S2，直到Q收敛于最优值函数Q为止；

S7:将最终控制输出输入到无刷直流电机控制系统中实现最优控制。

2.如权利要求1所述的一种基于Q学习算法的对角递归神经网络控制策略,其特征在于，所述步骤S1:建立三层对角递归神经网络，还包括:采样得到输入转速Yd(k)和输出转速y(k),计算转速误差e(k)=Yd(k)－y(k),根据转速误差e(k),对e(k),e(k)-e(k-1),e(k)-2e(k-1)+e(k-2)进行归一化处理，作为Q-DRNN的输入x1,x2,x3。

3.如权利要求1所述的一种基于Q学习算法的对角递归神经网络控制策略,其特征在于，所述步骤S3中对角递归神经网络输出层的输出uk(k)按下式计算：uk(k)=Ok(k)=f2[Σ6j=1Wjk×f1(Σ3i=1Wij×xi＋Wjj×Oj(k-1)－θj)－θk]其中，xi为网络的实际输入，Wij，Wjj，Wjk，θj，θk分别代表输入层和隐含层之间权重、隐含层自递归环权重、隐含层和输出层之间权重、第j隐含层神经元的偏置、第k输出层神经元的偏置，f1(x)、f2(x)是隐藏层和输出层的激活函数；

此时Q-DRNN控制输出u(k)，即为无刷直流电机控制系统的控制输入：u(k)=K×uk(k)

其中，K为增益系数。

4.如权利要求1所述的一种基于Q学习算法的对角递归神经网络控制策略,其特征在于，所述步骤S4:获得奖惩信号R(k)；

对于所有的Q学习，始终存在一个奖惩功能，这里引入的奖惩功能与系统的输入有关，由于系统误差e(k)的理想目标为零，优化过程中误差越小，说明学习方向是奖励方向，可以继续朝着这个方向调整；误差越大，说明学习方向就是惩罚方向，应该向相反的方向调整；

奖惩函数R(k)可以设计为系统误差e(k)实际值的积分与目标值误差的平方，即R(k)=－[∫|e(k)|dk－0]2此时进行Q值的迭代计算：

Q(sk,ak)=γmaxQ(sk+1,a)＋R(sk+1,sk)式中γ为折扣因子，s为状态，a为动作；智能体接收外部环境中的输入状态sk，并通过内部推理机制输出相应的动作ak；在ak的作用下，外部环境变成一个新的状态sk+1；同时，它为agent生成即时奖惩信号rk+1；rk+1是对在外部环境状态sk下智能体动作ak的评价；如果行为策略获得正回报，从外部环境中得到奖励，智能体选择行动的倾向会增加，否则倾向会减少；Q(sk+1,a)为sk+1状态下的最大值R(sk+1,sk)为奖惩矩阵返还的数值；

Q学习算法在当前状态下总是选择具有最高 Q值的动作, 称为贪婪策略π*, 如下式:π*(k)=argmaxQk(s,a)。

5.如权利要求1所述的一种基于Q学习算法的对角递归神经网络控制策略,其特征在于，所述步骤S5中修正Q-DRNN的关键权重Wij(k)、Wjj(k)和Wjk(k)，具体包括：定义Q-DRNN控制策略的性能指标为Jk，关键权重Wij(k)、Wjj(k)和Wjk(k)采用引入动量项的最速梯度下降法调整：Wxy(k+1)=Wxy(k)－η{[1－ξ(k)]∂Jk/∂Wxy(k)＋ξ(k)∂Jk/∂Wxy(k)}式中xy可取ij、jj和jk，η(η>0)为学习速率，ξ(k)[0≤ξ(k)<1]为动量项因子；DRNN中引入动量项实质上相当于阻尼项，它减小了学习过程的振荡趋势，改善了收敛性；

在Q学习的过程中，本文把权值的动量项因子修正项△r作为动作集，Q-DRNN的输入项xi(i=1,2,3)作为状态集；动量项因子ξ的修正式为ξ(k)=ξ0△r, 0≤△r≤1

ξ(k)=ξ0(△r－⌊△r⌋), △r>1

△r=exp[e(k)]

当误差e(k)越趋近于0时，△r越趋近于1，ξ修正越小。

6.如权利要求1所述的一种基于Q学习算法的对角递归神经网络控制策略,其特征在于，所述步骤S6中更新动作概率分布：Psk+1(ag)=Psk(ag)＋β[1－Psk(ag)]

Psk+1(ag)=Psk(a)(1－β), ∀a∈A, a≠agPs^k+1(a)=Ps^k(a)(1－β), ∀a∈A, ∀s^∈S, s^≠s式中β(0<β<1)值的大小代表动作搜索速度的快慢，可以看出当β的值越接近于1时说明现在的动作策略越接近贪婪策略；Psk(a)代表第k次迭代时状态s下选择动作a的概率；若探索和利用的迭代次数达到某一临界值，Qk收敛于最优值函数Q*；

令 k=k+1，返回S2重新计算以上步骤，直到Qk收敛于最优值函数Q*为止。

7.如权利要求1所述的一种基于Q学习算法的对角递归神经网络控制策略，其特征在于，所设计的Q学习算法优化型对角递归神经网络控制策略（Q-DRNN），通过DRNN隐含层中独有的递归环对输出变量进行迭代，并对其关键权重进行优化，以加快迭代速度；同时，引入改进的Q学习对DRNN的权动量项因子进行修正，使DRNN具有自学习和在线修正的能力，使得系统的抗干扰能力增强、鲁棒性增强，从而使无刷直流电机达到更好的控制效果。